机器学习是人工智能的核心分支，旨在通过数据训练算法，使系统能够自动识别模式并做出决策。 其核心思想是让计算机从经验中学习，而非依赖显式编程。

主要类型包括：

• 监督学习：通过标注数据（输入-标签对）训练模型，用于分类或回归任务（如垃圾邮件识别、房价预测）。
• 无监督学习：从无标签数据中发现隐藏结构（如聚类分析、降维）。
• 强化学习：通过试错与环境交互，优化长期奖励（如AlphaGo的决策优化）。
• 应用领域：涵盖图像识别、自然语言处理、推荐系统等。例如，卷积神经网络（CNN）在医学影像分析中表现卓越，而Transformer模型推动了机器翻译和对话系统的突破。

挑战包括数据质量依赖性、算法偏见、计算资源需求及模型的可解释性。 尽管如此，随着算力提升与数据积累，机器学习正持续渗透到医疗、金融、自动驾驶等领域，成为数字化转型的重要驱动力。